Fugu-MT 論文翻訳(概要): A feedforward neural network for modelling of average pressure frequency response

論文の概要: A feedforward neural network for modelling of average pressure frequency response

arxiv url: http://arxiv.org/abs/2012.02276v1
Date: Thu, 3 Dec 2020 21:24:09 GMT
ステータス: 処理完了
システム内更新日: 2021-05-23 16:37:29.154280
Title: A feedforward neural network for modelling of average pressure frequency response
Title（参考訳）: 平均圧力周波数応答のモデル化のためのフィードフォワードニューラルネットワーク
Authors: Klas Pettersson, Andrey Karzhou, and Irina Pettersson
Abstract要約: 本稿では,周波数範囲の平均音圧を計算するための機械学習手法,すなわちフィードフォワード高密度ニューラルネットワークを提案する。我々は近似の精度を分析し、平均的な圧力応答の予測において一定の精度に達するために、どれだけのトレーニングデータが必要かを決定する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The Helmholtz equation has been used for modelling the sound pressure field under a harmonic load. Computing harmonic sound pressure fields by means of solving Helmholtz equation can quickly become unfeasible if one wants to study many different geometries for ranges of frequencies. We propose a machine learning approach, namely a feedforward dense neural network, for computing the average sound pressure over a frequency range. The data is generated with finite elements, by numerically computing the response of the average sound pressure, by an eigenmode decomposition of the pressure. We analyze the accuracy of the approximation and determine how much training data is needed in order to reach a certain accuracy in the predictions of the average pressure response.
Abstract（参考訳）: ヘルムホルツ方程式は調和負荷下での音圧場をモデル化するために用いられる。ヘルムホルツ方程式の解法によって調和音圧場を計算することは、周波数の範囲で多くの異なるジオメトリを研究しようとすると、すぐに実現不可能になる。本稿では,周波数範囲の平均音圧を計算するための機械学習手法,すなわちフィードフォワード高密度ニューラルネットワークを提案する。データは、平均音圧の応答を、圧力の固有モード分解によって数値計算することにより、有限要素で生成される。近似の精度を分析し、平均的な圧力応答の予測において一定の精度に達するために訓練データが必要かどうかを判定する。

関連論文リスト

On Optimal Sampling for Learning SDF Using MLPs Equipped with Positional Encoding [79.67071790034609]
我々は、好ましくない副作用を伴わずに、正確な暗黙の場を学習するための適切なサンプリング率を決定するツールを考案した。 PEを具備したPEは、PE層の最高周波数成分よりも内在周波数がはるかに高いことが観察された。 SDFフィッティングの設定において,この推奨サンプリングレートは正確なフィッティング結果の確保に十分であることを示す。
論文参考訳（メタデータ） (2024-01-02T10:51:52Z)
Learning to Predict Structural Vibrations [2.4746345679821617]
飛行機、車、家屋などの機械構造では、騒音が発生し振動によって伝達される。このノイズを低減させるためには、高価な数値計算で振動をシミュレートする必要がある。本稿では,高調波励起板の振動予測に関するベンチマークを示す。
論文参考訳（メタデータ） (2023-10-09T07:26:35Z)
Implicit neural representation with physics-informed neural networks for the reconstruction of the early part of room impulse responses [16.89505645696765]
物理インフォームドニューラルネットワークを用いて、欠室インパルス応答の初期部分を線形配列で再構成する。提案モデルは,最先端の深層学習および圧縮センシング技術に関して,高精度な再構築と性能を実現する。
論文参考訳（メタデータ） (2023-06-20T13:01:00Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator [3.2307366446033945]
本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。 PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
論文参考訳（メタデータ） (2022-09-25T22:25:57Z)
Deep Learning for the Benes Filter [91.3755431537592]
本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
論文参考訳（メタデータ） (2022-03-09T14:08:38Z)
Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
高雑音および地中設定におけるインパルス応答推定は難しい問題である。本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-07T18:57:23Z)
LCS: Learning Compressible Subspaces for Adaptive Network Compression at Inference Time [57.52251547365967]
本稿では,ニューラルネットワークの「圧縮可能な部分空間」を訓練する手法を提案する。構造的・非構造的空間に対する推定時間における微粒な精度・効率のトレードオフを任意に達成するための結果を示す。我々のアルゴリズムは、可変ビット幅での量子化にまで拡張し、個別に訓練されたネットワークと同等の精度を実現する。
論文参考訳（メタデータ） (2021-10-08T17:03:34Z)
PINNup: Robust neural network wavefield solutions using frequency upscaling and neuron splitting [0.0]
本稿では,周波数アップスケーリングとニューロン分割を用いた新しいPINNの実装を提案する。提案したPINNは収束と精度において顕著な優位性を示す。 2層モデルでニューロンベースの高周波波動場解が得られる。
論文参考訳（メタデータ） (2021-09-29T16:35:50Z)
Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文参考訳（メタデータ） (2021-08-11T19:17:39Z)
Fast accuracy estimation of deep learning based multi-class musical source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文参考訳（メタデータ） (2020-10-19T13:05:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。